في عالم البيانات المستمرة، تمثل التطبيقات التي تعتمد على التنبؤات الانحدارية تحديات كبيرة، خاصة عندما تكون البيانات غير متوازنة. تعد أشجار هوفدينج (Hoeffding Trees) واحدة من الأدوات الرائدة في هذا المجال، نظراً لفعاليتها سواء كأدوات مستقلة أو كنماذج أساسية في مجموعات نمطية أوسع.

أظهرت الدراسات الأخيرة أن تقدير كثافة النواة (Kernel Density Estimation - KDE) يمكن أن يُحسن التنبؤات بشكل كبير عند التعامل مع الانحدار غير المتوازن. فعلى سبيل المثال، أظهرت أبحاث Yang وزملائه في عام 2021 أن استخدام KDE عزز سلاسة التنبؤات. بالمثل، قدمت تقنية الانكماش الهرمي (Hierarchical Shrinkage - HS) طريقة فعالة لتوفير تنظيم لاحق لأشجار القرار دون تعديل هياكلها، كما أظهر العمل الذي قام به Agarwal وزملاؤه في 2022.

في تجربة حديثة، قام الباحثون بتمديد تقنية KDE لتناسب إعدادات البث عبر صيغة تلسكوبية، وتم دمج HS في أشجار القرار التزايدية. أظهرت التجارب التجريبية على مقاييس الانحدار عبر الأنترنت أن تقنية KDE تحسن بشكل موحد من الأداء في بداية السلسلة، بينما قدمت HS مكاسب محدودة.

للراغبين في استكشاف هذه الحلول التقنية، تم توفير التنفيذ العام عبر GitHub.

ما رأيكم في تأثير هذه التقنيات على مجال الذكاء الاصطناعي؟ شاركونا آرائكم في التعليقات.